一、本文介绍🔥本文给大家介绍使用 FourierSR傅里叶超分辨率卷积模块 改进YOLO26网络模型，利用频域建模能力增强特征提取与融合过程中的全局信息交互，使模型不仅能够关注局部目标纹理和边缘，还能够建立更长距离的空间依赖关系，从而提升对小目标、遮挡目标以及复杂背景中目标的感知能力。其核心价值在于以较低计算代价扩展网络感受野，弥补传统卷积局部建模能力有限的问题，同时避免窗口式注意力在跨区域信息交互上的不足。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文本文目录一、本文介绍二、FourierSR傅里叶超分辨率卷积模块介绍2.1 FourierSR傅里叶超分辨率卷积模块结构图2.2FourierSR模块的作用：2.3 FourierSR模块的原理2.4FourierSR模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules创建一个.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolo26_FourierSR.yaml🚀创新改进2🔥: yolo26_FourierSRC3k2.yaml六、正常运行二、FourierSR傅里叶超分辨率卷积模块介绍摘要：图像超分辨率（SR）技术旨在将低分辨率图像恢复为高分辨率图像，其中提升超分辨率效率始终是备受关注的挑战。然而，传统超分辨率方法中常用的卷积网络和基于窗口的Transformer模型具有有限的感受野特性，导致在极低计算成本下难以有效提升超分辨率效果。为解决这一问题，我们受令牌混合建模卷积定理的启发，提出了一种基于傅里叶令牌的插件算法FourierSR，该算法能实现均匀化的超分辨率提升，有效规避了现有令牌混合技术作为插件应用时可能出现的不稳定性和低效性。相较于卷积网络和基于窗口的Transformer模型，我们的FourierSR仅采用傅里叶变换与乘法运算，不仅大幅降低计算复杂度，同时保持全局感受野特性。实验表明，在Manga109测试集上，FourierSR作为插件在×4放大倍率下为现有高效超分辨率方法带来平均0.34dB的 PSNR 增益，且参数量与浮点运算量的增幅分别仅占原始规模的0.6%和1.5%